声波逆散射问题作为经典的数学物理逆问题,在石油勘探、医学成像、无损检测等领域有广泛应用,研究其数值解法具有重要的科学意义和实用价值.逆散射问题具有非线性性和不适定性等难点,不同形状、大小及位置的散射体使得声波逆散射问题的数值求解更为困难.深度学习是一种数据驱动的方法,目前在图像分类、语义分割中表现优越.因此,本文主要研究的是利用深度学习方法反演可穿透的散射体的问题.本文利用一类基于深度神经网络的两步反演方法,将声波逆散射问题转变为图像数据二分类问题.该方法无需散射体的形状参数的先验信息,直接定位任一目标点是否在散射体内部.第一步,得到散射体的初始分布特征图.利用积分方程方法求解正散射问题,并构造散射数据训练集.然后运用声波逆散射中的传统向后传播方法得到散射体的初始分布特征图.第二步,考虑到散射体之间的相互作用,本文构建了一类深层卷积神经网络,以带噪声的初始分布特征图及散射体几何信息二值标签图作为输入数据进行网络训练,通过小批量梯度下降方法更新各层卷积核参数,为输入矩阵的每个元素分配一个类标签,输出散射体的反演结果二值图像.为了获得更精细化的散射体边界,本文结合交叉熵损失函数和一类感知损失函数,引入一类对边界敏感的新型加权损失函数,对边缘细化处理,从理论及数值试验部分探讨其可行性,并选取最佳权重重新进行网络训练及预测.最后,经数值试验验证,该方法能重构出不同形状、位置和大小的多散射体.且基于新型加权损失函数的神经网络方法在边缘细化处理方面表现更好.对于噪声在30%以内的近场数据,散射体的重构效果依然良好.